Agenci Ringg z OpenAI rozwiązują do 65% zgłoszeń telefonicznych

Gdy rośnie liczba połączeń, działy obsługi klienta zwykle zatrudniają więcej osób, ale zwiększa to koszt i złożoność każdej interakcji. Ringg⁠(otwiera nowe okno), platforma agentów głosowych i czatowych, zetknęła się z tym problemem podczas współpracy z dużymi firmami obsługującymi konsumentów w Indiach.

Firmy te miały trudności nie tylko z odbieraniem większej liczby połączeń. Ich konsultanci zmagali się też z rozproszonymi systemami wymagającymi ręcznej obsługi, by pomagać klientom w załatwianiu spraw — od zakupu ubezpieczenia po umawianie wizyt.

Te doświadczenia skłoniły Ringg do stworzenia platformy agentów dla firm, opartej na wysoce wydajnych modelach, takich jak GPT‑5.6, i obejmującej połączenia głosowe, czat, WhatsApp oraz internet. Przeniesienie odpowiednich zadań wykonywanych w czasie rzeczywistym z GPT‑4.1 do GPT‑5.6 obniżyło koszty modeli o około 90%, przy zachowaniu wymaganej jakości i czasu odpowiedzi.

Agenci Ringg obsługują obecnie ponad 7 milionów nawiązanych połączeń miesięcznie, a klienci firmy osiągają średni wskaźnik satysfakcji klienta (CSAT) na poziomie 4,8.

Realizacja zgłoszenia klienta może wymagać od agentów sprawdzenia polisy, pobrania danych konta, umówienia wizyty, aktualizacji CRM lub przekazania rozmowy specjaliście wraz z pełnym, istotnym kontekstem.

W interakcjach w czasie rzeczywistym Ringg używa GPT‑5.6 Luna i innych modeli do interpretowania próśb klientów, wybierania narzędzi i prowadzenia klientów przez wieloetapowe procesy. Warstwa orkiestracji Ringg wykonuje działania w systemach CRM, platformach zgłoszeniowych, systemach płatności, narzędziach do planowania i wewnętrznych API, a w razie potrzeby przekazuje sprawę człowiekowi wraz z podsumowaniem rozmowy.

System wiedzy Ringg łączy filtrowanie według struktury danych z wyszukiwaniem semantycznym w zbiorach danych, plikach PDF i CSV oraz dokumentach firmowych. Pomaga to agentom odpowiadać na pytania na podstawie odpowiednich informacji firmowych.

Ringg może też rozdzielać pracę między wyspecjalizowanych subagentów odpowiedzialnych za kwalifikację, wsparcie, weryfikację, planowanie i eskalację. Platforma koordynuje te kroki, zachowując spójność rozmowy z klientem w połączeniach głosowych, na czacie, w WhatsAppie i w internecie.

Ringg porównało OpenAI z alternatywnymi rozwiązaniami pod względem jakości rozmowy, opóźnień, przestrzegania instrukcji, wywoływania narzędzi, obsługi wielu języków, niezawodności i kosztów. Uznało, że OpenAI zapewnia najlepsze ogólne połączenie tych cech w zastosowaniach produkcyjnych.

GPT‑5.6 i inne modele OpenAI wykazywały też większą powtarzalność w przestrzeganiu złożonych instrukcji, wywoływaniu narzędzi, zachowywaniu kontekstu rozmowy i niezawodnym działaniu na skalę przedsiębiorstwa.

Ringg kieruje pracę do konkretnego modelu OpenAI zależnie od wymagań zadania. GPT‑4.1 obsługuje większość rozmów głosowych i czatów w czasie rzeczywistym. GPT‑5.6 Luna pozostaje w środowisku produkcyjnym i jest używany wtedy, gdy jego wydajność, opóźnienia lub stosunek ceny do wydajności lepiej odpowiadają danemu zgłoszeniu. GPT‑5.6 Terra zajmuje się analizą po zakończeniu rozmowy, w tym podsumowaniami i klasyfikacją sentymentu. Z kolei GPT‑5.6 Sol wspiera ewaluację, ulepszanie poleceń i procesy, w których model pełni rolę sędziego.

Gdy klient wypowiada się podczas połączenia głosowego lub wysyła wiadomość na czacie, system orkiestracji Ringg łączy tę treść z instrukcjami agenta, historią rozmowy, danymi klienta, odpowiednim kontekstem z bazy wiedzy i dostępnymi narzędziami. Następnie warstwa routingu Ringg wybiera odpowiedni model i konfigurację. Odpowiedź modelu przechodzi przez system orkiestracji i trafia do klienta wybranym przez niego kanałem.

Przy dłuższych interakcjach system tworzy ustrukturyzowane podsumowanie, gdy kontekst zbliża się do około 80 000 tokenów. Rozmowa może być wtedy kontynuowana z zachowaniem ważnych informacji, bez wielokrotnego przesyłania całej historii.

Przed wdrożeniem produkcyjnym Ringg testuje modele na podstawie wcześniejszych rozmów i symulowanych scenariuszy obsługi klientów. Platforma ewaluacyjna wykorzystuje wyniki do wykrywania słabych punktów i proponowania ulepszeń poleceń, tworząc cykl ciągłego doskonalenia agentów i ich konfiguracji.

Jedna z ewaluacji dotyczyła procesu analizy po zakończeniu rozmowy w Ringg. Firma przetestowała GPT‑5.6 Terra w porównaniu z alternatywami, takimi jak Gemini 2.5 Flash, a Terra uzyskała najlepszy wynik. Ringg przeniosło tworzenie podsumowań i klasyfikację sentymentu do GPT‑5.6 Terra. Terra zachowała wysoką dokładność podsumowań i analizy sentymentu, jednocześnie znacząco poprawiając rentowność jednostkową.

Firma testuje też modele w różnych językach i odmianach regionalnych. Uwzględnia rozmowy, w których uczestnicy zmieniają język lub łączą angielski ze zwrotami w lokalnych językach — to częste zjawisko na obsługiwanych przez nią rynkach. GPT‑5.6 Terra przewyższył Gemini 2.5 Flash, osiągając do 97% dokładności w popularnych językach regionalnych. Dzięki temu GPT‑5.6 lepiej sprawdza się w roli modelu dla agentów obsługujących klientów Ringg.

Modele, które przejdą testy offline, obsługują początkowo niewielką część ruchu produkcyjnego, zanim wdrożenie zostanie rozszerzone. W środowisku produkcyjnym router Ringg monitoruje opóźnienia i stan punktów końcowych w różnych regionach. Przekierowuje ruch, gdy punkt końcowy staje się niedostępny lub przekracza próg opóźnienia. Wyspecjalizowane węzły, alerty i wersjonowane wdrożenia pomagają izolować problemy i ograniczać ich wpływ.

Takie podejście pomaga też Ringg poprawiać rentowność jednostkową. Przeniesienie wybranych zadań wykonywanych w czasie rzeczywistym z GPT‑4.1 do GPT‑5.6 Luna obniżyło koszty modeli o około 90%.

U klientów Ringg agenci rozwiązują do 65% rutynowych zapytań bez jakiegokolwiek udziału konsultanta.

Policybazaar, jedna z największych internetowych platform ubezpieczeniowych w Indiach, korzysta z Ringg do nawiązywania połączeń w odpowiedzi na ponad 57 000 zgłoszeń klientów. 67% rozmów jest obsługiwanych bez udziału człowieka. Średni czas odpowiedzi w Policybazaar spadł z 8–12 minut do mniej niż 60 sekund, co oznacza poprawę o około 88%.

W Practo, globalnej platformie opieki zdrowotnej, agenci Ringg pomagają klientom umawiać wizyty medyczne i realizować zgłoszenia dotyczące usług. Po wdrożeniu Practo osiągnęło 85% skuteczności rozwiązywania spraw przy pierwszym połączeniu, a czas odpowiedzi spadł poniżej trzech sekund. Koszty operacyjne spadły o 70% w porównaniu z wcześniejszym procesem obsługiwanym przez ludzi, a Ringg realizuje obecnie ponad 1000 rezerwacji wizyt dziennie.

Internetowa platforma inwestycyjna Groww korzysta z Ringg, by rozwiązywać 72% przychodzących zapytań dotyczących IPO, kontraktów futures i opcji w pełni samoobsługowo, ze średnim czasem obsługi wynoszącym dwie minuty.

Korzystając z funkcji obsługi komputera od OpenAI, Ringg tworzy agentów przeglądarkowych do wdrażania użytkowników na platformach, procesów weryfikacji klienta (KYC), rozwiązywania problemów IT, wsparcia dyżurnego przy incydentach i obsługi roszczeń.

Firma rozwija też warstwę kontekstu, która pozwoli zachowywać informacje między kanałami i interakcjami. Klient będzie mógł rozpocząć zgłoszenie w rozmowie głosowej, kontynuować je w WhatsAppie i zakończyć w przeglądarce, bez konieczności powtarzania za każdym razem tych samych szczegółów.

Zdaniem Ringg miarą obsługi klienta nowej generacji będą osiągnięte wyniki biznesowe i stopień automatyzacji, a nie liczba połączeń czy pracowników.